83,2 Prozent gegen 22,3 Prozent. So lautet die Zahl, die derzeit durch Tech- und Gesundheitsmedien geht. Ein KI-System von Microsoft hat bei komplexen medizinischen Fallstudien eine deutlich höhere Trefferquote erzielt als Hausärzte ohne Hilfsmittel. Das System heißt MAI-DxO, und es stellt eine der bislang eindrucksvollsten Demonstrationen von KI in der Medizin dar. Doch die Zahlen verdienen eine genauere Betrachtung, bevor man von einer medizinischen Revolution spricht.
Microsoft AI hat mit MAI-DxO (MAI Diagnostic Orchestrator) ein System entwickelt, das mehrere KI-Agenten wie ein virtuelles Ärztegremium zusammenarbeiten lässt. Die Agenten stellen Fragen, ordnen Tests an und diskutieren Diagnosen miteinander, bevor ein Ergebnis feststeht. Die zugrundeliegende Studie wurde am 22. Oktober 2026 im renommierten Fachjournal Science veröffentlicht und sorgt seither für Diskussionen darüber, welche Rolle künstliche Intelligenz künftig in der klinischen Diagnostik spielen könnte.
Inhaltsverzeichnis
Key Takeaways
- MAI-DxO erreichte bei 304 komplexen NEJM-Fallstudien eine Diagnosegenauigkeit von 83,2 Prozent, Hausärzte ohne Hilfsmittel nur 22,3 Prozent.
- Die Studie wurde am 22. Oktober 2026 in Science veröffentlicht, alle 15 Autoren sind Microsoft-Mitarbeiter, darunter Microsoft-AI-CEO Mustafa Suleyman.
- Bei Notaufnahme-Fällen aus MIMIC-IV-ED erreichte MAI-DxO bis zu 80,3 Prozent gegenüber 46,8 Prozent bei beteiligten Ärzten.
- Die Vergleichsgruppe bestand aus Allgemeinmedizinern, nicht aus Fachärzten, die solche komplexen Fälle in der Praxis normalerweise behandeln.
- Klinische Tests sollen innerhalb der nächsten zwei Monate am Beth Israel Deaconess Medical Center beginnen.
Was ist MAI-DxO Microsoft KI Diagnose genau?
MAI-DxO funktioniert nicht wie ein einzelnes Chatbot-Modell, das eine Frage beantwortet. Stattdessen orchestriert das System mehrere Sprachmodell-Agenten, die gemeinsam wie ein interdisziplinäres Ärzteteam vorgehen. Ein Agent kann Anamnese-Fragen formulieren, ein anderer schlägt Labortests vor, ein dritter prüft die Plausibilität der Diagnose. Dieses Zusammenspiel soll die Schwächen einzelner Modelle ausgleichen und zu robusteren Entscheidungen führen.
Die Forschungsarbeit "Sequential diagnosis with language models" erschien in Science, Band 394, Ausgabe 6822, Seiten 423 bis 428. Unter den 15 Autoren finden sich neben Mustafa Suleyman auch Dominic King und Eric Horvitz, beide langjährige Microsoft-Forscher mit Schwerpunkt auf KI und Gesundheitswesen.
"Ein Schritt in Richtung medizinischer Superintelligenz", so beschreibt Mustafa Suleyman das Ergebnis der Studie.
Diese Formulierung ist bewusst ambitioniert gewählt. Sie signalisiert den Anspruch von Microsoft, nicht nur ein weiteres Diagnose-Tool zu bauen, sondern langfristig Systeme zu entwickeln, die menschliche Expertise in der Medizin deutlich übertreffen könnten.
Die Studienergebnisse im Detail
Die Forscher testeten MAI-DxO anhand von 304 komplexen Fallbeschreibungen aus dem New England Journal of Medicine, einer der angesehensten medizinischen Fachzeitschriften überhaupt. Diese Fälle gelten als besonders anspruchsvoll, da sie oft seltene oder mehrdeutige Symptomkonstellationen beschreiben.
Ergebnisse bei NEJM-Fällen:
| Gruppe | Trefferquote |
|---|---|
| MAI-DxO | 83,2 Prozent |
| Hausärzte mit Referenzmaterial | 36,1 Prozent |
| Hausärzte ohne Hilfsmittel | 22,3 Prozent |
| Bester einzelner Arzt | 51,8 Prozent |
Auch bei Notaufnahme-Fällen aus dem Datensatz MIMIC-IV-ED zeigte sich ein ähnliches Bild. Hier erreichte MAI-DxO ohne Budgetbeschränkung 80,3 Prozent und mit Budgetbeschränkung 73,2 Prozent. Die beteiligten Ärzte kamen im Schnitt auf 46,8 Prozent, der beste Arzt auf 62,5 Prozent.
Diese Zahlen sind beeindruckend, doch sie beschreiben eine Simulationsumgebung, keine reale klinische Situation mit Patientenkontakt, körperlicher Untersuchung und all den Unsicherheiten des echten Behandlungsalltags.
Welches Basismodell liefert die besten Ergebnisse?
Die Microsoft-Forscher testeten MAI-DxO mit verschiedenen KI-Basismodellen, darunter auch Systeme von Anthropic, Meta und DeepSeek. Die besten Ergebnisse erzielte die Orchestrierung jedoch mit OpenAIs GPT-5 und GPT-5.5.
Interessant ist dabei der Unterschied zwischen Modell allein und Modell mit Orchestrierung:
- GPT-5 allein erreichte 78,9 Prozent bei etwa 8.400 US-Dollar Kosten pro Fall. Mit MAI-DxO sanken die Kosten um rund 3.000 US-Dollar, während die Genauigkeit um etwa 4 Prozentpunkte stieg.
- GPT-5.5 allein kam auf 72 Prozent Genauigkeit. Mit DxO-Orchestrierung stieg dieser Wert auf fast 87 Prozent, bei leicht geringeren Kosten.
- Google Gemini 2.5 Flash, ein deutlich schwächeres Modell, verbesserte sich von 46,4 Prozent allein auf knapp 69 Prozent mit DxO.
Diese Zahlen zeigen ein wichtiges Muster: Je schwächer das zugrunde liegende Modell, desto größer der relative Nutzen durch die Orchestrierung. Bei den stärksten Modellen wie GPT-5 fällt der Zugewinn durch MAI-DxO vergleichsweise moderat aus, während bei schwächeren Modellen wie Gemini 2.5 Flash die Verbesserung deutlich ausgeprägter ist.
Kritische Einordnung der MAI-DxO Microsoft KI Diagnose Studie
So beeindruckend die Zahlen auf den ersten Blick wirken, eine sachliche Einordnung ist notwendig.
Erstens handelt es sich um eine Simulationsstudie. Es wurde keine echte klinische Anwendung mit realen Patienten getestet, sondern schriftliche Fallbeschreibungen wurden analysiert. Die Komplexität eines echten Arztbesuchs mit körperlicher Untersuchung, Mimik, Tonfall und spontanen Nachfragen lässt sich damit nur bedingt abbilden.
Zweitens ist die Vergleichsgruppe entscheidend. Die getesteten Fälle stammen aus dem NEJM und werden in der realen klinischen Praxis normalerweise von Fachärzten oder interdisziplinären Ärzteteams behandelt, nicht von einzelnen Allgemeinmedizinern. Ein Vergleich zwischen einem hochkomplexen KI-System und einem einzelnen Hausarzt ohne Fachspezialisierung ist daher nicht direkt mit der Frage gleichzusetzen, ob KI besser diagnostiziert als die medizinische Fachwelt insgesamt.
Drittens relativiert sich der Nutzen der Orchestrierung bei stärkeren Modellen. Während MAI-DxO bei schwächeren Modellen wie Gemini 2.5 Flash die Genauigkeit um mehr als 20 Prozentpunkte steigerte, lag der Zugewinn bei GPT-5 nur bei rund 4 Prozentpunkten. Das deutet darauf hin, dass ein Großteil der Leistung tatsächlich vom zugrunde liegenden Sprachmodell selbst stammt und nicht ausschließlich von der Orchestrierungsarchitektur.
Diese Einschränkungen schmälern die technische Leistung von MAI-DxO nicht grundsätzlich, relativieren aber die Schlagzeile "KI schlägt Ärzte" auf ein differenzierteres Bild.
Vorgeschichte: Von der ersten Version bis MAI-DxO
Die Entwicklung von MAI-DxO ist kein plötzlicher Durchbruch, sondern das Ergebnis mehrjähriger Forschung. Bereits Mitte 2025 stellte Microsoft eine frühere Version des Systems vor. Diese frühe Variante erreichte in Kombination mit OpenAIs o3-Modell bereits bis zu 85,5 Prozent Genauigkeit bei vergleichbaren Testfällen.
Die aktuelle Science-Veröffentlichung baut auf dieser Vorarbeit auf und erweitert sie um systematischere Tests mit mehreren Basismodellen sowie um die Einbeziehung von Notaufnahme-Daten aus MIMIC-IV-ED. Damit liefert die Studie ein deutlich breiteres Fundament als die ursprüngliche Vorstellung im Jahr 2025.
Nächste Schritte: Klinische Tests am Beth Israel Deaconess Medical Center
Der wohl wichtigste Hinweis auf die praktische Relevanz der Studie ist die Ankündigung, dass klinische Tests innerhalb der nächsten zwei Monate am Beth Israel Deaconess Medical Center beginnen sollen. Dieses Krankenhaus in Boston ist mit der Harvard Medical School assoziiert und gilt als etablierte Forschungseinrichtung im US-Gesundheitssystem.
Diese Ankündigung markiert den Übergang von der reinen Simulationsstudie hin zu einer realen klinischen Erprobung. Erst in diesem Kontext wird sich zeigen, ob die beeindruckenden Laborwerte auch unter realen Bedingungen mit echten Patienten, unvollständigen Informationen und zeitlichem Druck Bestand haben.
Was bedeutet das für die Praxis?
Mehr zum Thema KI-Agenten: Im Zusammenhang mit autonomen KI-Systemen und ihren Risiken lohnt sich auch ein Blick auf wie KI-Agenten bei OpenAI eigene Sicherheitsüberwachung abschalteten.
Für Patienten und medizinisches Fachpersonal in Deutschland ist MAI-DxO derzeit noch keine verfügbare Anwendung. Es handelt sich um ein Forschungssystem, das primär in den USA getestet wird. Dennoch lohnt sich die Beobachtung der Entwicklung aus mehreren Gründen:
- KI-gestützte Diagnoseunterstützung könnte mittelfristig Eingang in klinische Entscheidungsunterstützungssysteme finden.
- Die Orchestrierung mehrerer KI-Agenten als Methode könnte auch in anderen Bereichen jenseits der Medizin Anwendung finden.
- Die Debatte um die Rolle von KI in sicherheitskritischen Bereichen wie der Medizin wird durch solche Studien zusätzlich angeheizt.
Wichtig bleibt: MAI-DxO ersetzt keine ärztliche Untersuchung und sollte nicht als Ersatz für professionelle medizinische Beratung missverstanden werden. Die Studie selbst betont den experimentellen Charakter der Ergebnisse.
Fazit
Die MAI-DxO Microsoft KI Diagnose Studie liefert beachtliche Zahlen: 83,2 Prozent Trefferquote bei komplexen NEJM-Fällen gegenüber 22,3 Prozent bei Hausärzten ohne Hilfsmittel ist ein deutlicher Unterschied. Gleichzeitig zeigt die kritische Analyse, dass die Vergleichsgruppe aus Allgemeinmedizinern bestand, während die getesteten Fälle in der Realität eher von Fachärzten behandelt würden. Zudem fällt der Zugewinn durch die Orchestrierung bei den stärksten Modellen wie GPT-5 deutlich geringer aus als bei schwächeren Modellen.
Die kommenden klinischen Tests am Beth Israel Deaconess Medical Center werden zeigen, ob sich die Laborergebnisse in der realen Patientenversorgung bestätigen lassen. Bis dahin gilt: MAI-DxO ist eine vielversprechende Forschungsentwicklung, aber noch kein praxisreifes medizinisches Werkzeug. Wer sich für die Zukunft der KI-gestützten Medizin interessiert, sollte die Veröffentlichung der klinischen Studienergebnisse in den kommenden Monaten aufmerksam verfolgen.
